.1002. 工程科学学报，第40卷，第8期 在本文中，仅考虑该数据库中JPEG、JPEG2000、高 逊线性相关系数(Pearson linear correlation coeff- 斯模糊和白噪声4种常见的失真，并且不考虑电脑 cient,PLCC),取l000次迭代测试的SROCC中值和 合成的图像，因此总共使用384张失真图像 PLCC中值作为无参考质量评价模型的评价结果. 将数据库中所有失真图像随机的分成80%的 将本文算法与全参考评价方法峰值信噪比(peak 训练样本和20%的测试样本两部分，并且两部分中 signal noise ratio,PSNR)、结构相似性(structural 没有内容相同的图像.根据预测的质量分数与主观 similarity,SSM)以及现有的无参考质量评价算法 DMOS值计算斯皮尔曼等级相关系数(Spearman's 进行比较，结果如表1和表2所示，并将无参考算法 rank ordered correlation coefficient,SROCC)和皮尔 中性能最好的两个分数加粗. 表1LIVE数据库和TD20O8数据库上的质量评价算法性能比较 Table 1 Performance of competing algorithms test on LIVE and TID2008 database LIVE(779张) TID2008(384张) 算法 评价方法类型斯皮尔曼等级相关 皮尔逊线性相关 斯皮尔曼等级相关 皮尔逊线性相关 系数(SROCC)中值 系数(PLCC)中值 系数(SROCC)中值 系数(PLCC)中值 PSNR FR 0.884 0.882 0.879 0.815 SSIM[21] FR 0.949 0.946 0.903 0.925 DIIVINE?) NR 0.925 0.927 0.893 0.904 BLIINDS-nt6] NR 0.933 0.939 0.899 0.922 BRISQUE[s] NR 0.943 0.947 0.932 0.939 CORNIA[2] NR 0.945 0.948 0.930 0.940 OG_IQA[3] NR 0.938 0.940 0.928 0.933 NR_GLBp(23] NR 0.943 0.947 0.935 0.939 NFERMC24] NR 0.944 0.950 0.938 0.946 本文 NR 0.952 0.956 0.941 0.950 表2LVE数据库中各种失真类型1O00次迭代测试的PLCC中值 Table 2 Performance (PLCC)of competing algorithms on individual distortion types of LIVE database 不同失真类型迭代测试的PLCC中值 算法 JPEG2000 JPEG WN GB FF DIIVINE 0.885 0.931 0.988 0.945 0.897 BLIINDS-II 0.913 0.943 0.973 0.912 0.892 BRISQUE 0.918 0.967 0.984 0.948 0.904 CORNIA 0.927 0.944 0.961 0.955 0.910 OG_IQA 0.912 0.978 0.982 0.951 0.893 NR_GLBP 0.933 0.958 0.981 0.936 0.855 NFERM 0.938 0.964 0.983 0.937 0.887 本文 0.937 0.981 0.990 0.960 0.934 由表1和表2可知，从整体上来说，本文算法在 比，将部分评价方法在LIVE数据库上实验的PLCC LIVE数据库和TID20O8数据库上的评价效果均要 结果进行置信度为95%的t检验，图5是单边t检 优于其他无参考质量评价算法，与主观评分有高度 验结果.其中·1'表示行上的算法要优于列上相应 的一致性，并且本文算法仅使用了10维特征，而对 的算法，·-1'表示行上的算法要劣于列上的算法， 比算法中性能较好的CORNIA和NFERM分别使用 ‘0'表示算法性能相同.可以看出，本文算法在统计 了20000维和23维 上要优于其他主流的无参考质量评价算法 3.2假设检验 3.3其他对比试验 为了从统计的角度更好的与其他算法进行对 本文使用的特征分为两个部分：一部分使用文工程科学学报,第 40 卷,第 8 期 在本文中,仅考虑该数据库中 JPEG、JPEG2000、高 斯模糊和白噪声 4 种常见的失真,并且不考虑电脑 合成的图像,因此总共使用 384 张失真图像. 将数据库中所有失真图像随机的分成 80% 的 训练样本和 20% 的测试样本两部分,并且两部分中 没有内容相同的图像. 根据预测的质量分数与主观 DMOS 值计算斯皮尔曼等级相关系数( Spearman爷 s rank ordered correlation coefficient, SROCC) 和皮尔 逊线性相关系数 ( Pearson linear correlation coeffi鄄 cient, PLCC),取 1000 次迭代测试的 SROCC 中值和 PLCC 中值作为无参考质量评价模型的评价结果. 将本文算法与全参考评价方法峰值信噪比( peak signal noise ratio, PSNR)、 结 构 相 似 性 ( structural similarity, SSIM)以及现有的无参考质量评价算法 进行比较,结果如表 1 和表 2 所示,并将无参考算法 中性能最好的两个分数加粗. 表 1 LIVE 数据库和 TID2008 数据库上的质量评价算法性能比较 Table 1 Performance of competing algorithms test on LIVE and TID2008 database 算法 评价方法类型 LIVE(779 张) TID2008(384 张) 斯皮尔曼等级相关 系数(SROCC)中值 皮尔逊线性相关 系数(PLCC)中值 斯皮尔曼等级相关 系数(SROCC)中值 皮尔逊线性相关 系数(PLCC)中值 PSNR FR 0郾 884 0郾 882 0郾 879 0郾 815 SSIM [21] FR 0郾 949 0郾 946 0郾 903 0郾 925 DIIVINE [7] NR 0郾 925 0郾 927 0郾 893 0郾 904 BLIINDS鄄II [6] NR 0郾 933 0郾 939 0郾 899 0郾 922 BRISQUE [8] NR 0郾 943 0郾 947 0郾 932 0郾 939 CORNIA [22] NR 0郾 945 0郾 948 0郾 930 0郾 940 OG_IQA [13] NR 0郾 938 0郾 940 0郾 928 0郾 933 NR_GLBP [23] NR 0郾 943 0郾 947 0郾 935 0郾 939 NFERM [24] NR 0郾 944 0郾 950 0郾 938 0郾 946 本文 NR 0郾 952 0郾 956 0郾 941 0郾 950 表 2 LIVE 数据库中各种失真类型 1000 次迭代测试的 PLCC 中值 Table 2 Performance (PLCC) of competing algorithms on individual distortion types of LIVE database 算法 不同失真类型迭代测试的 PLCC 中值 JPEG2000 JPEG WN GB FF DIIVINE 0郾 885 0郾 931 0郾 988 0郾 945 0郾 897 BLIINDS鄄II 0郾 913 0郾 943 0郾 973 0郾 912 0郾 892 BRISQUE 0郾 918 0郾 967 0郾 984 0郾 948 0郾 904 CORNIA 0郾 927 0郾 944 0郾 961 0郾 955 0郾 910 OG_IQA 0郾 912 0郾 978 0郾 982 0郾 951 0郾 893 NR_GLBP 0郾 933 0郾 958 0郾 981 0郾 936 0郾 855 NFERM 0郾 938 0郾 964 0郾 983 0郾 937 0郾 887 本文 0郾 937 0郾 981 0郾 990 0郾 960 0郾 934 由表 1 和表 2 可知,从整体上来说,本文算法在 LIVE 数据库和 TID2008 数据库上的评价效果均要 优于其他无参考质量评价算法,与主观评分有高度 的一致性,并且本文算法仅使用了 10 维特征,而对 比算法中性能较好的 CORNIA 和 NFERM 分别使用 了 20000 维和 23 维. 3郾 2 假设检验 为了从统计的角度更好的与其他算法进行对 比,将部分评价方法在 LIVE 数据库上实验的 PLCC 结果进行置信度为 95% 的 t 检验,图 5 是单边 t 检 验结果. 其中‘1爷表示行上的算法要优于列上相应 的算法,‘ - 1爷表示行上的算法要劣于列上的算法, ‘0爷表示算法性能相同. 可以看出,本文算法在统计 上要优于其他主流的无参考质量评价算法. 3郾 3 其他对比试验 本文使用的特征分为两个部分:一部分使用文 ·1002·